Записи данных о пациентах могут быть запутанными, а иногда и неполными, а это значит, что у врачей не всегда есть под рукой вся необходимая информация. К этому следует добавить тот факт, что медицинские работники не могут уследить за потоком тематических исследований, научных работ, испытаний и других передовых разработок, появляющихся в отрасли.
Нью-йоркская компания NYU Langone Health разработала новый подход к решению этих проблем для следующего поколения врачей.
Академический медицинский центр, в состав которого входят Медицинская школа Гроссмана Нью-Йоркского университета и Медицинская школа Гроссмана Нью-Йоркского университета на Лонг-Айленде, а также шесть стационарных больниц и 375 амбулаторных отделений, разработал большую языковую модель (LLM), которая служит уважаемым помощником в исследованиях и медицинским консультантом.
Каждую ночь модель обрабатывает электронные медицинские карты (EHR), сопоставляя их с соответствующими исследованиями, советами по диагностике и важной справочной информацией, которую затем рассылает по электронной почте следующим утром. Это элемент новаторского подхода NYU Langone к медицинскому образованию — того, что он называет «точным медицинским образованием», использующим искусственный интеллект и данные для обеспечения индивидуального подхода к студентам.
«Эта концепция «точности во всём» необходима в здравоохранении, — сказал VentureBeat Марк Триола, заместитель декана по образовательной информатике и директор Института инноваций в медицинском образовании при NYU Langone Health. — Очевидно, что появляются доказательства того, что ИИ может преодолеть многие когнитивные предубеждения, ошибки, потери и неэффективность в системе здравоохранения, что он может улучшить процесс принятия диагностических решений».
NYU Langone использует модель с открытым исходным кодом, созданную на основе последней версии Llama-3.1-8B-instruct и векторной базы данных Chroma с открытым исходным кодом для генерации с расширенным поиском (RAG). Но это не просто доступ к документам — модель выходит за рамки RAG, активно используя поиск и другие инструменты для обнаружения последних научных документов.
Каждую ночь модель подключается к базе данных электронных медицинских карт учреждения и извлекает медицинские данные о пациентах, которых осматривали в NYU Langone накануне. Затем она ищет основную справочную информацию о диагнозах и заболеваниях. Используя API Python, модель также выполняет поиск соответствующей медицинской литературы в PubMed, где «миллионы и миллионы статей», как объяснил Триола. LLM просматривает обзоры, подробные статьи и клинические испытания, выбирает пару наиболее релевантных и «собирает всё это в красивое электронное письмо».
Ранним утром следующего дня студенты-медики, ординаторы по внутренним болезням, нейрохирургии и радиационной онкологии получают персонализированное электронное письмо с подробными отчётами о пациентах. В нём также будут вопросы для самостоятельного изучения и медицинская литература, подобранная искусственным интеллектом. Кроме того, в нём могут быть рекомендации о том, какие шаги могут предпринять ординаторы, а также действия или детали, которые они могли упустить из виду.
«Мы получили отличные отзывы от студентов, ординаторов и преподавателей о том, как это позволяет им без труда быть в курсе событий, как они используют это при принятии решений о плане лечения пациента», — сказал Триола.
Ключевым показателем успеха для него лично стало то, что из-за сбоя системы электронные письма перестали приходить на несколько дней, а преподаватели и студенты жаловались, что не получают утренние напоминания, на которые они привыкли полагаться.
«Потому что мы отправляем эти электронные письма прямо перед тем, как наши врачи начинают обход — это одно из самых безумных и напряжённых для них времён суток — и то, что они заметили, что не получают эти письма, и пропустили их, было здорово», — сказал он.
Успех проекта также обусловлен оптимизированной архитектурой медицинского учреждения: оно может похвастаться централизованной ИТ-инфраструктурой, единым хранилищем данных в сфере здравоохранения и единым хранилищем данных в сфере образования, что позволяет NYU Langone объединять различные ресурсы данных.
Директор по медицинской информации Пол Теста отметил, что без качественных данных невозможно создать отличные системы искусственного интеллекта и машинного обучения, но «это не так-то просто сделать, если у вас нет доступа к разрозненным данным в вашей системе». Медицинская система может быть большой, но она работает по принципу «один пациент — одна запись — один стандарт».
По словам Триолы, главный вопрос, на который его команда пыталась найти ответ, звучит так: «Как связать диагностику, контекст обучения конкретного ученика и все эти учебные материалы?»
«Внезапно у нас появился отличный ключ для этого: генеративный ИИ», — сказал он.
Это позволило отойти от модели «один размер подходит всем», которая была нормой, независимо от того, собирались ли студенты стать, например, нейрохирургами или психиатрами — совершенно разными специалистами, которым требуются уникальные подходы.
По его словам, важно, чтобы учащиеся получали индивидуальное образование на протяжении всего обучения, а также «образовательные стимулы», которые адаптируются к их потребностям. Но нельзя просто сказать преподавателям, чтобы они «уделяли больше времени каждому отдельному учащемуся» — это невозможно по человеческим меркам.
Нельзя сказать, что на этом пути не было трудностей. В частности, технические команды работали над устранением «незрелости» моделей.
Например, на ранних этапах разработки LLM не могли отличить язву на коже от язвы в желудке, которые «концептуально вообще не связаны», — объяснил Триола. С тех пор его команда сосредоточилась на быстрой доработке и обосновании, и результат оказался «поразительным».
Понятно, что во всей отрасли существует большая озабоченность по поводу тонких предубеждений, которые могут быть заложены в системы искусственного интеллекта. Однако Триола отметил, что в данном случае использования это не вызывает большой озабоченности, поскольку для искусственного интеллекта это относительно простая задача. “Это поиск, это выбор из списка, это обобщение”, — отметил он.
Скорее, одна из самых серьёзных проблем, с которой мы столкнулись, — это обесценивание или девальвация навыков. Вот пример: люди определённого возраста, возможно, помнят, как учились писать курсивом в начальной школе, но, скорее всего, они забыли этот навык, потому что редко использовали его во взрослой жизни.
Триола отметил, что в профессии врача есть «священные» моменты, и что некоторые не хотят отдавать их на откуп ИИ или цифровым системам «ни в каком виде и ни при каких обстоятельствах». Например, существует мнение, что молодые врачи должны активно заниматься исследованиями и изучать новейшую литературу, когда они не работают в клинике. Но Триола подчеркнул, что объём медицинских знаний, доступных сегодня, и «безумный темп» клинической медицины требуют иного подхода.
Что касается поиска и извлечения информации, он отметил: «ИИ делает это лучше, и это неприятная правда, в которую многие люди не хотят верить». Вместо этого он предположил: «Давайте представим, что это даст врачам сверхспособности и позволит наладить взаимодействие между человеком и ИИ, а не соревноваться в том, кто что будет делать».
Автор: mefdayy
